BERBAGAI METODE
REGRESI BERGANDA
Sales
Promosi
Outlet
Laju_pen
Pesaing
Income
JAKARTA
205
26
159
2.00
15
5.46
TANGERAN
G
206
28
164
1.50
16
2.43
BEKASI
254
35
198
1.75
19
2.56
BOGOR
246
31
184
1.64
17
3.55
BANDUNG
201
21
150
2.65
11
4.35
SEMARANG
291
49
208
1.45
24
3.65
SOLO
234
30
184
1.67
16
3.44
YOGYA
209
30
154
2.74
10
2.55
SURABAYA
204
24
149
1.35
14
4.79
PURWOKER
TO
216
31
175
2.13
14
2.53
MADIUN
245
32
192
2.64
11
2.75
TUBAN
286
47
201
1.63
19
2.53
MALANG
312
54
248
2.53
21
3.51
KUDUS
265
40
166
2.54
18
2.81
PEKALONG
AN
322
42
287
1.53
18
3.01
b.
c.
Penyelesaian:
Disini karena akan diketahui besar hubungan atau seberapa jauh Biaya
Promosi Luas Outlet, Laju pertambahan Penduduk, Kompetitor dan Income
Penduduk berpengaruh terhadap Penjualan P.T. CEMERLANG, maka akan
dilakukan uji regresi, dengan variabel dependen adalah Sales/Penjualan, dan
variabel independen adalah kelima variabel diatas. Karena ada lebih dari satu
variabel independen, maka uji regresi tersebut dinamakan uji regresi
berganda.
1.
Karena isi data regresi berganda sama dengan regresi sederhana, dengan
tambahan tiga variabel, maka tidak perlu dilakukan pemasukan data ulang.
Inputing hanya dilakukan untuk menambah ketiga variabel baru tersebut.
Langkah-langkah:
o
Tampak di layar:
Mengisi data:
Letakkan pointer pada baris kelima variabel LAJU_PEN, lalu isi data sesuai
kasus diatas (tentu variabel ini berupa sebuah angka). Demikian untuk dua
variabel tambahan yang lain.
Kemudian simpan data diatas dengan nama regresi_berganda_2
3.
Dalam bab ini akan dilakukan tiga cara mencari persamaan regresi berganda
(Multiple Regression), yaitu:
o
Backward Elimination
Forward Elimination
Stepwise Elimination
1. BACKWARD ELIMINATION
Langkah-langkah:
o
Dari Menu Utama SPSS, pilih menu Analyze, kemudian pilih sub-menu
Regression. Dari serangkaian pilihan test untuk regresi, sesuai kasus
pilih Linear... Tampak di layar:
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
Mean
246.40
3.3280
1.9833
187.93
16.20
34.67
Std.
Deviation
41.11
.9221
.5070
38.09
3.88
9.68
N
15
15
15
15
15
15
Correlations
Pearson
Correlation
Sig.
(1-tailed)
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
1.000
-.287
-.143
.901
.744
.916
.
.150
.305
.000
.001
.000
15
15
15
15
15
15
INCOME
-.287
1.000
-.111
-.252
-.073
-.339
.150
.
.347
.183
.397
.108
15
15
15
15
15
15
LAJU_PEN
-.143
-.111
1.000
-.199
-.495
-.062
.305
.347
.
.238
.030
.413
15
15
15
15
15
15
OUTLET
.901
-.252
-.199
1.000
.574
.735
.000
.183
.238
.
.013
.001
15
15
15
15
15
15
PESAING
.744
-.073
-.495
.574
1.000
.796
.001
.397
.030
.013
.
.000
15
15
15
15
15
15
PROMOSI
.916
-.339
-.062
.735
.796
1.000
.000
.108
.413
.001
.000
.
15
15
15
15
15
15
Analisis:
Descriptive Statistics
Bagian ini menjelaskan ringkasan statistik singkat masing-masing variabel.
o
Rata-rata Sales (dengan jumlah data 15 buah) adalah Rp. 246,4 juta
dengan standar deviasi Rp. 41,11 juta.
Rata-rata Income (dengan jumlah data 15 buah) adalah Rp. 3,328 juta
dengan standar deviasi Rp. 922.100,-
Rata-rata Biaya Promosi (dengan jumlah data 15 buah) adalah Rp. 34,67
juta dengan standar deviasi Rp. 9,68 juta.
Pesaing rata-rata (dengan jumlah data 15 buah) adalah 16,2 buah, dan
dibulatkan 17 kompetitor dengan standar deviasi 3,88.
Korelasi:
o
Terjadi korelasi yang cukup kuat antara variabel Promosi dengan Outlet
dan Pesaing (korelasi antar variabel tersebut diatas 0,5). Hal ini
menandakan adanya multikolinieritas, atau korelasi diantara ketiga
variabel bebas tersebut.
Tingkat signifikansi koefisien korelasi satu sisi dari output (diukur dari
probabilitas) menghasilkan angka yang bervariasi, dengan catatan
variabel laju penduduk dan income tidak berkorelasi secara signifikan
(mempunyai nilai signifikansi diatas 0,05) dengan variabel lainnya.
Model
1
Variables
Variables
Entered
Removed
PROMOSI,
LAJU_PE
N,
.
INCOME,
OUTLET,a
PESAING
INCOME
LAJU_PE
N
PESAING
Method
Enter
Backward
(criterion:
Probability
of
F-to-remo
ve >=
.100).
Backward
(criterion:
Probability
of
F-to-remo
ve >=
.100).
Backward
(criterion:
Probability
of
F-to-remo
ve >=
.100).
Analisis:
Metode backward dimulai dengan memasukkan semua variabel (lihat Model
1 yang mempunyai keterangan ENTER). Kemudian dilakukan analisis dan
variabel yang tidak layak masuk dalam regresi dikeluarkan satu persatu.
Model
1
2
3
4
R
R Square
.976a
.954
.976b
.953
c
.976
.953
d
.976
.952
Adjusted
R Square
.928
.935
.940
.944
Std. Error
of the
Estimate
11.05
10.50
10.07
9.76
Analisis:
Keterangan Adjusted R Square
Seperti telah disebut didepan, ada 4 tahapan analisis, dimana pada setiap
tahapan ada variabel yang harus dikeluarkan dari model regresi. Pada tabel
diatas, pada Model 1, terlihat Adjusted R Square (R2 yang disesuaikan)
adalah 0,928. Perhatikan bahwa untuk regresi dengan lebih dari dua variabel
bebas, digunakan Adjusted R2 sebagai koefisien determinasi. Kemudian
pada Model ke 2, dengan mengeluarkan variabel Income (lihat keterangan b.
Predictor dibawah tabel dimana variabel Income sudah hilang), maka R2
yang disesuaikan menjadi 0,935, atau terjadi peningkatan.
Demikian seterusnya hingga pada model final (ke 4), R2 yang disesuaikan
meningkat menjadi 0,944. Semakin tinggi R2 yang disesuaikan akan semakin
baik bagi model regresi, karena variabel bebas bisa menjelaskan variabel
tergantung lebih besar. Disini berarti 94,4% variasi Sales perusahaan bisa
dijelaskan oleh variabel biaya promosi dan outlet yang disewa. Sedangkan
sisanya (100% - 94,4% = 5,6%) dijelaskan oleh sebab-sebab yang lain.
Keterangan Standar Error of Estimate
Juga terlihat dari model diatas, terjadi penurunan besar Standar Error of
Estimate, dari 11,05 (Rp.11,05 juta) pada model 1, menjadi 9,76 (Rp.9,76
juta) pada model ke 4. Selain itu, karena lebih kecil dari standar deviasi Sales
(Rp.41,1 juta), maka model regresi lebih bagus dalam bertindak sebagai
prediktor Sales daripada Rata-rata Sales itu sendiri.
Bagian kelima dan keenam dari output:
ANOVAe
Model
1
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Sum of
Squares
22564.432
1099.168
23663.600
22561.748
1101.852
23663.600
22548.747
1114.853
23663.600
22521.299
1142.301
23663.600
df
5
9
14
4
10
14
3
11
14
2
12
14
Mean
Square
4512.886
122.130
F
36.952
Sig.
.000a
5640.437
110.185
51.191
.000b
7516.249
101.350
74.161
.000c
11260.649
95.192
118.294
.000d
Analisis:
Dari uji ANOVA atau F test, didapat F hitung untuk model 4 atau model
yang dipakai adalah 118,294 dengan tingkat signifikansi 0,0000. Karena
probabilitas (0,000) jauh lebih kecil dari 0,05, maka model regresi bisa
dipakai untuk memprediksi Sales. Atau bisa dikatakan, Promosi dan Luas
Outlet yang disewa secara bersama-sama berpengaruh terhadap Sales.
Coefficientsa
Model
1
(Constant)
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
(Constant)
LAJU_PEN
OUTLET
PESAING
PROMOSI
(Constant)
OUTLET
PESAING
PROMOSI
(Constant)
OUTLET
PROMOSI
Unstandardized
Coefficients
B
Std. Error
50.126
36.000
.548
3.698
2.760
9.485
.550
.123
.970
2.099
2.017
.924
51.275
33.393
3.035
8.835
.551
.117
1.084
1.855
1.960
.797
61.435
14.864
.537
.104
.597
1.147
2.148
.555
64.639
13.112
.535
.101
2.342
.398
Standardi
zed
Coefficien
ts
Beta
.012
.034
.509
.091
.475
.037
.511
.102
.461
.497
.056
.506
.496
.551
t
1.392
.148
.291
4.455
.462
2.183
1.536
.343
4.717
.584
2.459
4.133
5.146
.520
3.870
4.930
5.297
5.892
Sig.
.197
.885
.778
.002
.655
.057
.156
.738
.001
.572
.034
.002
.000
.613
.003
.000
.000
.000
Collinearity Statistics
Tolerance
VIF
.750
.377
.395
.132
.109
1.333
2.651
2.534
7.592
9.162
.392
.397
.152
.132
2.549
2.518
6.573
7.556
.459
.366
.251
2.179
2.729
3.985
.459
.459
2.177
2.177
Analisis:
Keterangan Collinearity Statistics:
Perhatikan kolom TOLERANCE atau toleransi.
Sebagai contoh pada model 1 untuk variabel Income, didapat besar tolerance
adalah 0,750. Hal ini berarti R2 adalah 1 0,750 atau 0,250. Hal ini berarti
hanya 25 % variabilitas Income bisa dijelaskan oleh prediktor (variabel
bebas) yang lain.
Default bagi SPSS bagi angka tolerance adalah 0,0001. Semua variabel yang
akan dimasukkan dalam perhitungan model regresi harus mempunyai
tolerance diatas 0,0001. Terlihat bahwa semua variabel telah memenuhi
persyaratan ambang toleransi.
Perhatikan kolom VIF
VIF atau Variance Inflation factor mempunyai persamaan:
VIF = 1 / TOLERANCE
Sebagai contoh, pada model 1 untuk variabel Income, didapat besar tolerance
0,750. Maka besar VIF adalah:
VIF = 1 / 0,75 = 1,333
Pada umumnya, jika VIF lebih besar dari 5, maka variabel tersebut
mempunyai persoalan multikolinieritas dengan variabel bebas yang lainnya.
Jika dilihat pada tabel diatas, maka variabel bebas pesaing dan Promosi
mempunyai VIF lebih dari 5, sehingga bisa diduga ada persoalan
multikolinieritas (korelasi yang besar diantara variabel bebas). Jika dilihat
10
Keputusan:
Terlihat bahwa pada kolom Sig / significance adalah 0,000, atau probabilitas
jauh dibawah 0,05, Maka Ho ditolak, atau koefisien regresi signifikan, atau
promosi benar-benar berpengaruh secara signifikan terhadap Sales.
11
Demikian juga untuk analisis konstanta dan outlet dengan dua cara tadi
dihasilkan angka konstanta dan outlet yang signifikan.
Bagian ketujuh dari Output:
Collinearity Diagnosticsa
Model
1
Dimension
1
2
3
4
5
6
1
2
3
4
5
1
2
3
4
1
2
3
Eigenvalue
5.774
.120
7.567E-02
1.701E-02
1.108E-02
2.452E-03
4.857
.101
2.342E-02
1.648E-02
2.552E-03
3.937
3.723E-02
1.751E-02
8.330E-03
2.954
3.462E-02
1.124E-02
Condition
Index
1.000
6.944
8.735
18.423
22.827
48.526
1.000
6.942
14.400
17.169
43.623
1.000
10.284
14.994
21.740
1.000
9.237
16.210
(Constant)
.00
.00
.00
.01
.28
.71
.00
.00
.12
.00
.88
.00
.48
.08
.44
.00
.58
.42
INCOME
.00
.13
.26
.02
.54
.05
Variance Proportions
LAJU_PEN
OUTLET
.00
.00
.04
.01
.15
.00
.05
.55
.01
.07
.75
.37
.00
.00
.14
.00
.09
.00
.02
.62
.75
.37
.00
.00
.46
.53
.00
.00
1.00
PESAING
.00
.01
.01
.06
.08
.84
.00
.02
.02
.13
.84
.00
.04
.47
.48
PROMOSI
.00
.01
.00
.05
.13
.81
.00
.01
.17
.01
.81
.00
.14
.03
.82
.00
.41
.59
Analisis:
Bagian ini membahas ada tidaknya multikolinieritas atau terjadinya korelasi
diantara sesama variabel bebas. Model regresi yang baik tentunya tidak ada
multikolinier atau adanya korelasi diantara variabel bebas.
Perhatikan kolom-kolom pada tabel diatas:
o
Pada model terakhir yang dipakai (model 4), terlihat nilai variabel bebas
Promosi dan Outlet (kode 2 dan 3) mempunyai nilai Eugen yang mendekati
0, dan ada indeks variabel bebas yang melebihi angka 15. Hal ini berarti ada
dugaan terjadi problem multikolinieritas, yaitu adanya korelasi diantara
variabel Promosi dan Outlet.
Untuk menyelesaikan problem model regresi
multikolinieritas, bisa dilihat pada buku statistik lanjutan.
Output bagian delapan:
12
dengan
adanya
Excluded Variablesd
Model
2
3
4
INCOME
INCOME
LAJU_PEN
INCOME
LAJU_PEN
PESAING
Beta In
.012a
.017b
.037b
.027c
-.011c
.056c
t
.148
.219
.343
.393
-.165
.520
Sig.
.885
.831
.738
.702
.872
.613
Partial
Correlation
.049
.069
.108
.118
-.050
.155
Collinearity Statistics
Minimum
Tolerance
VIF
Tolerance
.750
1.333
.109
.780
1.282
.211
.392
2.549
.132
.885
1.130
.434
.945
1.058
.436
.366
2.729
.251
Analisis:
Bagian ini membahas proses mengeluarkan (elimination) variabel bebas yang
tidak layak dimasukkan dalam model regresi. Eliminasi didasarkan pada
besaran t (hitung). Pada model 1 dicari variabel bebas dengan t hitung
TERKECIL, yang didapat variabel Income (perhatikan yang dilihat BESAR t
HITUNG, sedangkan TANDA t HITUNG TIDAK BERPENGARUH), maka
variabel Income dikeluarkan (excluded). Demikian seterusnya hingga didapat
tiga variabel bebas (model 4) yang dikeluarkan dari model regresi.
2. FORWARD ELIMINATION
Metode ini sebenarnya sama dengan prosedur Backward, hanya disini
variabel bebas dimasukkan tidak sekaligus, namun satu persatu.
Langkah-langkah:
o
Dari Menu Utama SPSS, pilih menu Analyze, kemudian pilih sub-menu
Regression. Dari serangkaian pilihan test untuk regresi, sesuai kasus
pilih Linear... Tampak di layar kotak dialog LINEAR REGRESSION.
Pengisian:
Dependent atau variabel tergantung. Pilih variabel sales
Independent(s) atau variabel bebas. Pilih variabel promosi, outlet,
laju_pen, pesaing dan income.
Case Labels atau keterangan pada kasus. Pilih daerah.
13
14
Variables Entered/Removeda
Model
1
Variables
Entered
Variables
Removed
PROMOSI
OUTLET
Method
Forward
(Criterion:
Probabilit
y-of-F-to-e
nter <=
.050)
Forward
(Criterion:
Probabilit
y-of-F-to-e
nter <=
.050)
Analisis:
Metode forward dimulai dengan memasukkan satu per satu variabel, dan
terlihat pada tabel diatas, dari lima variabel bebas, hanya dua variabel
(Promosi dan Outlet) yang layak masuk dalam model regresi. Disini Model 1
hanya memasukkan variabel Promosi, dan Model 2 menambahkan variabel
Oulet dalam model regresi.
Model Summaryc
Model
1
2
R
R Square
.916a
.839
b
.976
.952
Adjusted
R Square
.826
.944
Std. Error
of the
Estimate
17.13
9.76
Analisis:
Adjusted R Square
Perhatikan bahwa untuk regresi dengan lebih dari dua variabel bebas,
digunakan Adjusted R2 sebagai koefisien determinasi (ada lima variabel
bebas). Terlihat pada model 1, hasil Adjusted R2 adalah 0,839.
Kemudian pada model 2, dengan penambahan variabel Outlet, R2 yang
disesuaikan meningkat menjadi 0,944. Semakin tinggi R2 yang disesuaikan
akan semakin baik bagi model regresi, karena variabel bebas bisa
menjelaskan variabel tergantung lebih besar. Disini berarti 94,4% Sales
15
perusahaan bisa dijelaskan oleh variabel biaya promosi dan outlet yang
disewa. Sedangkan sisanya (100 % - 94,4 % = 5,6 %) dijelaskan oleh sebabsebab yang lain.
Standar Error of Estimate
Juga terlihat dari model diatas, terjadi penurunan besar Standar Error of
Estimate, dari 17,13 (Rp. 17,13 juta) pada model 1, menjadi 9,76 (Rp.9,76
juta) pada model ke 2. Selain itu, karena lebih kecil dari standar deviasi Sales
(Rp. 41,1 juta), maka model regresi lebih bagus dalam bertindak sebagai
prediktor Sales daripada Rata-rata Sales itu sendiri.
Bagian kelima dan keenam dari output:
ANOVAc
Model
1
Regression
Residual
Total
Regression
Residual
Total
Sum of
Squares
19850.334
3813.266
23663.600
22521.299
1142.301
23663.600
df
1
13
14
2
12
14
Mean
Square
19850.334
293.328
11260.649
95.192
F
67.673
Sig.
.000a
118.294
.000b
Analisis:
Dari uji ANOVA atau F test, didapat F hitung untuk model 2 atau model
yang dipakai adalah 118,294 dengan tingkat signifikansi 0,0000. Karena
probabilitas (0,000) jauh lebih kecil dari 0,05, maka model regresi bisa
dipakai untuk memprediksi Sales. Atau bisa dikatakan, Promosi dan Luas
Outlet yang disewa secara bersama-sama berpengaruh terhadap Sales.
Coefficientsa
Model
1
2
(Constant)
PROMOSI
(Constant)
PROMOSI
OUTLET
Unstandardized
Coefficients
B
Std. Error
111.523
16.982
3.891
.473
64.639
13.112
2.342
.398
.535
.101
16
Standardi
zed
Coefficien
ts
Beta
.916
.551
.496
t
6.567
8.226
4.930
5.892
5.297
Sig.
.000
.000
.000
.000
.000
Collinearity Statistics
Tolerance
VIF
1.000
1.000
.459
.459
2.177
2.177
Analisis:
Collinearity Statistics:
Perhatikan kolom TOLERANCE atau toleransi.
Sebagai contoh pada model 2 untuk variabel promosi, didapat besar tolerance
adalah 0,459. Hal ini berarti R2 adalah 1 0,459 atau 0,541. Hal ini berarti
hanya 54,1 % variabilitas promosi bisa dijelaskan oleh prediktor (variabel
bebas) yang lain.
Default bagi SPSS bagi angka tolerance adalah 0,0001. Semua variabel yang
akan dimasukkan dalam perhitungan model regresi harus mempunyai
tolerance diatas 0,0001. Terlihat bahwa semua variabel telah memenuhi
persyaratan ambang toleransi.
Perhatikan kolom VIF
Sebagai contoh, pada model 1 untuk variabel promosi, didapat besar
tolerance 0,459. Maka besar VIF adalah:
VIF = 1 / 0,459 = 2,177
Pada umumnya, jika VIF lebih besar dari 5, maka variabel tersebut
mempunyai persoalan multikolinieritas dengan variabel bebas yang lainnya.
Jika dilihat pada tabel diatas, maka variabel bebas Outlet dan Promosi
mempunyai VIF kurang dari 5, sehingga bisa diduga tidak ada persoalan
multikolinieritas yang serius.
menggambarkan persamaan rgresi:
Pada model 4, didapat persamaan regresi:
Y = 64,639 + 2,342 X1 + 0,535 X2
Dimana:
Y = Sales
X1 = Biaya Promosi
X2 = Luas Outlet
Persamaan tersebut sama dengan persamaan regresi berganda pada kasus
terdahulu, dimana hanya terdapat variabel bebas Promosi dan Outlet.
Persamaan tersebut berarti:
o
Keputusan:
Terlihat bahwa pada kolom Sig / significance adalah 0,000, atau probabilitas
jauh dibawah 0,05, Maka Ho ditolak, atau koefisien regresi signifikan, atau
promosi benar-benar berpengaruh secara signifikan terhadap Sales.
Demikian juga untuk analisis konstanta dan outlet dengan dua cara tadi
dihasilkan angka konstanta dan outlet yang signifikan.
Bagian ketujuh dari Output (disini sengaja dibalik dengan output kedelapan):
Collinearity Diagnosticsa
Model
1
2
Dimension
1
2
1
2
3
Eigenvalue
1.965
3.450E-02
2.954
3.462E-02
1.124E-02
Condition
Index
1.000
7.548
1.000
9.237
16.210
Variance Proportions
(Constant) PROMOSI OUTLET
.02
.02
.98
.98
.00
.00
.00
.58
.41
.00
.42
.59
1.00
Analisis:
Bagian ini membahas ada tidaknya multikolinieritas atau terjadinya korelasi
diantara sesama variabel bebas. Model regresi yang baik tentunya tidak ada
multikolinier atau adanya korelasi diantara variabel bebas.
Pada model terakhir yang dipakai (model 4), terlihat nilai variabel bebas
Promosi dan Outlet (kode 2 dan 3) mempunyai nilai Eugen yang mendekati
0. Sedangkan indeks variabel Outlet melebihi angka 15. Hal ini berarti ada
18
dengan
adanya
Model
1
INCOME
LAJU_PEN
OUTLET
PESAING
INCOME
LAJU_PEN
PESAING
Beta In
.026a
-.087a
.496a
.041a
.027b
-.011b
.056b
t
.212
-.769
5.297
.214
.393
-.165
.520
Sig.
.835
.457
.000
.834
.702
.872
.613
Partial
Correlation
.061
-.217
.837
.062
.118
-.050
.155
Collinearity Statistics
Minimum
Tolerance
VIF
1.130
.885
1.004
.996
2.177
.459
2.727
.367
1.130
.434
1.058
.436
2.729
.251
Tolerance
.885
.996
.459
.367
.885
.945
.366
Analisis:
Pada model 1 dicari variabel bebas dengan t hitung TERBESAR, hingga
empat variabel dengan t hitung lebih kecil dikeluarkan. Pada model 2,
dilanjutkan dengan mengeluarkan tiga variabel, dan memasukkan variabel
Outlet dalam model regresi.
Perhatikan bahwa cara perhitungan dengan Forward menghasilkan model
regresi yang sama dengan perhitungan Backward.
3. STEPWISE METHOD
Metode Stepwise adalah salah satu metode yang sering dipakai dalam analisis
regresi. Metode ini hampir sama dengan Forward , hanya disini variabel yang
telah dimasukkan dalam model regresi bisa dikeluarkan lagi dari model.
Metode ini dimulai dengan memasukkan variabel bebas yang punya korelasi
paling kuat dengan variabel dependen. Kemudian setiap kali pemasukan
variabel bebas yang lain, dilakukan pengujian untuk tetap memasukkan
variabel bebas atau mengeluarkannya.
Kasus yang dipakai tetap kasus P.T. CEMERLANG dengan tujuh variabel.
Langkah-langkah:
19
Dari Menu Utama SPSS, pilih menu Analyze, kemudian pilih sub-menu
Regression. Dari serangkaian pilihan test untuk regresi, sesuai kasus
pilih Linear... Tampak di layar kotak dialog LINEAR REGRESSION.
Pengisian:
Dependent atau variabel tergantung. Pilih variabel sales.
Independent(s) atau variabel bebas. Pilih variabel promosi, outlet,
laju_pen, pesaing dan income.
Case Labels atau keterangan pada kasus. Pilih daerah.
Method atau cara memasukkan /seleksi variabel. Sesuai dengan
kasus, pilih Stepwise.
Pilih kolom Statistics, dengan pengisian:
Regression
20
Descriptive Statistics
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
Mean
246.40
3.3280
1.9833
187.93
16.20
34.67
Std.
Deviation
41.11
.9221
.5070
38.09
3.88
9.68
N
15
15
15
15
15
15
Correlations
Pearson
Correlation
Sig.
(1-tailed)
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
1.000
-.287
-.143
.901
.744
.916
.
.150
.305
.000
.001
.000
15
15
15
15
15
15
INCOME
-.287
1.000
-.111
-.252
-.073
-.339
.150
.
.347
.183
.397
.108
15
15
15
15
15
15
LAJU_PEN
-.143
-.111
1.000
-.199
-.495
-.062
.305
.347
.
.238
.030
.413
15
15
15
15
15
15
OUTLET
.901
-.252
-.199
1.000
.574
.735
.000
.183
.238
.
.013
.001
15
15
15
15
15
15
PESAING
.744
-.073
-.495
.574
1.000
.796
.001
.397
.030
.013
.
.000
15
15
15
15
15
15
PROMOSI
.916
-.339
-.062
.735
.796
1.000
.000
.108
.413
.001
.000
.
15
15
15
15
15
15
21
Variables Entered/Removeda
Model
1
Variables
Entered
Variables
Removed
PROMOSI
OUTLET
Method
Stepwise
(Criteria:
Probabilit
y-of-F-to-e
nter <=
.050,
Probabilit
y-of-F-to-r
emove
>= .100).
Stepwise
(Criteria:
Probabilit
y-of-F-to-e
nter <=
.050,
Probabilit
y-of-F-to-r
emove
>= .100).
Model Summaryc
Model
1
2
R
R Square
.916a
.839
.976b
.952
Adjusted
R Square
.826
.944
Std. Error
of the
Estimate
17.13
9.76
ANOVAc
Model
1
Regression
Residual
Total
Regression
Residual
Total
Sum of
Squares
19850.334
3813.266
23663.600
22521.299
1142.301
23663.600
df
1
13
14
2
12
14
22
Mean
Square
19850.334
293.328
11260.649
95.192
F
67.673
Sig.
.000a
118.294
.000b
Coefficientsa
Model
1
2
(Constant)
PROMOSI
(Constant)
PROMOSI
OUTLET
Unstandardized
Coefficients
B
Std. Error
111.523
16.982
3.891
.473
64.639
13.112
2.342
.398
.535
.101
Standardi
zed
Coefficien
ts
Beta
t
6.567
8.226
4.930
5.892
5.297
.916
.551
.496
Sig.
.000
.000
.000
.000
.000
Collinearity Statistics
Tolerance
VIF
1.000
1.000
.459
.459
2.177
2.177
Excluded Variablesc
Model
1
INCOME
LAJU_PEN
OUTLET
PESAING
INCOME
LAJU_PEN
PESAING
Beta In
.026a
-.087a
.496a
.041a
.027b
-.011b
.056b
t
.212
-.769
5.297
.214
.393
-.165
.520
Sig.
.835
.457
.000
.834
.702
.872
.613
Partial
Correlation
.061
-.217
.837
.062
.118
-.050
.155
Collinearity Statistics
Minimum
Tolerance
Tolerance
VIF
.885
1.130
.885
.996
1.004
.996
.459
2.177
.459
.367
2.727
.367
.885
1.130
.434
.945
1.058
.436
.366
2.729
.251
Collinearity Diagnosticsa
Model
1
2
Dimension
1
2
1
2
3
Eigenvalue
1.965
3.450E-02
2.954
3.462E-02
1.124E-02
Condition
Index
1.000
7.548
1.000
9.237
16.210
Variance Proportions
(Constant) PROMOSI OUTLET
.02
.02
.98
.98
.00
.00
.00
.58
.41
.00
.42
.59
1.00
23
Residuals Statisticsa
Predicted
Value
Residual
Std.
Predicted
Value
Std.
Residual
Mean
Std.
Deviation
Minimum
Maximum
194.09
323.83
246.40
40.11
N
15
-14.89
17.84
-5.68E-15
9.03
15
-1.304
1.930
.000
1.000
15
-1.526
1.829
.000
.926
15
ANALISIS:
Dari berbagai tabel output, terlihat bahwa semuanya sama persis dengan hasil
dari metode Forward. Karena itu, analisis sama dengan analisis metode
Forward yang telah dijelaskan didepan.
PENUTUP
Dari analisis regresi berganda yang menggunakan tiga metode, yaitu
Backward, Forward dan Stepwise, didapat kesimpulan yang sama, yaitu:
Hanya dua variabel bebas yang dimasukkan dalam model regresi, yaitu
PROMOSI dan OUTLET. Sedangkan persamaan regresi yang didapat
adalah:
Y = 64,639 + 2,342 X1 + 0,535 X2
Dimana:
Y = Sales, sedang X1= Biaya Promosi, dan X2= Luas Outlet.
24